AI表征全球热带海气过程:跨洋盆相互作用提升ENSO预测能力

厄尔尼诺-南方涛动（ENSO）是地球气候系统中最强的年际变率信号，但每逢北半球春季，其预测技巧便会大幅下降，这种被称为“春季预报障碍（SPB）”的现象是限制ENSO业务化预测的重大难题。

南京信息工程大学周路博士后和张荣华教授近日发表于Science Advances的一项新研究，构建了一个面向全球热带海气系统的深度学习模型（名为GL-Geoformer），从热带三大洋相互作用的角度定量分析了跨洋盆过程对ENSO预测的影响和机制，为热带气候预测研究提供了数据驱动的新方法。

论文链接：www.science.org/doi/10.1126/sciadv.adf2827

图1. GL-Geoformer的ENSO预测性能分析。（A）GL-Geoformer和北美多模式集合预报计划中多个气候模式的Niño3.4海温异常预测相关系数随预测时长的分布。（B）为均方根误差随预测时长的分布。（C）同时包含三大洋信息（黑色虚线）、仅包含太平洋信息（红线）、包含太平洋和印度洋信息（蓝线）以及包含太平洋和大西洋信息（绿色）的情况下，模型的Niño3.4预测相关系数分布。（D）从春季（2月）起报时，不同洋盆对ENSO预测准确性的贡献百分比随预测时长的分布。

以往的研究表明，在年际时间尺度上，热带太平洋、印度洋和大西洋之间存在着复杂的相互作用和反馈，这些跨洋盆过程可能蕴含着提升ENSO预测的关键信息。然而，如何在深度学习框架下有效利用这些信息来增强ENSO的春季预测，此前一直没有有效方案。

为了回答这个问题，本研究提出了GL-Geoformer来同时捕捉三大洋风场和三维海洋温度异常的时空演变。该模型以月平均的风场和上层200米的11层海温场作为输入，以类似于动力模式的滚动预测的方式预测未来的相同变量场。

如图1所示，当模型充分纳入跨洋盆信息后，SPB被显著削弱。即便是从最具挑战性的春季起报，GL-Geoformer也能实现长达16个月的ENSO有效预测，其中印度洋和大西洋的协同贡献可在中长期预测中达35%以上。

进一步的“起搏器”试验定量揭示了两条关键通路：印度洋偶极子主要通过次表层热输运、大西洋尼诺主要通过沃克环流遥相关，以非线性的方式协同影响ENSO的可预测性。

针对近年来发生的多重拉尼娜现象，研究给出了对2020-2021年强拉尼娜的预测分析。此次事件是2020-2022年三重拉尼娜现象的开端，强度位列1990年以来的第五，但其前期2019年热带太平洋仅为弱增暖状态且暖水体积偏低，这样的气候状况难以支撑强拉尼娜现象的发展，因此多数气候模式在2020年初的预测中也大幅低估了其强度。

为量化跨洋盆过程对此次事件的贡献，研究设计了一组敏感性实验，系统剔除印度洋和/或大西洋的输入信息。结果显示，模型同时考虑三大洋信息才可准确预测此次事件，而同时剔除印度洋和大西洋信息后，模型仅预测中性事件；分别加入印度洋和大西洋后，预测强度可达控制试验的60%和30%左右。

研究在数据驱动框架下，从三大洋相互作用的角度定量估计了跨洋盆过程对ENSO发展的贡献，并强调了多洋盆、多变量系统建模的重要性，在当今气候变化不断加剧的背景下，为极端气候机制和预测研究提供了重要支撑。